超分辨率图像重建(Super-resolution Reconstruction, SRR)是在现有的低分辨率成像系统的基础上,通过利用数字信号处理技术,从一系列低分辨率观测图像中构造出一幅或多幅细节更为丰富的高分辨率图像的技术。超分辨率图像重建技术是一种经济且易于实现的图像分辨率提高方法,因而在很多领域有着广泛的应用前景,已成为目前图像恢复领域的研究热点之一。其中,快速有效的重建算法、高精度的图像配准算法等,是超分辨率重建研究的重点和难点。本文以图像重建数学模型和超分辨率空域重建算法为研究主线,重点研究了基于MAP正则化的超分辨率重建算法,详细介绍了算法的基本原理,对于其中的代价函数和正则化约束项的选取方法进行了深入的分析和实验对比。考虑到当SR重建中所能用到的低分辨率图像较少时,会对重建的质量产生影响,本文在L1范数重建算法框架下,提出了一种新的代价方程,在其中增加了关于丢失的低分辨率观察信息的保真度项和正则化项。该方法同时对高分辨率图像和丢失的观察信息进行迭代估计,并利用交替最小方法求解。实验结果表明,在获取低分辨率图像较少的情况下,提出的算法能够较好的改进重建的结果。正则化参数的选取对于重建结果和重建速度都有着重要的作用。在传统的重建算法中,对于正则化参数的选取,大多是采用经验选取的方法,通过几次重建结果的比对选取正则化参数。本文对于现有的正则化参数的选取方法策略进行了详细的讨论和分析,在已有的基于比例和基于L曲线的参数选取方法的基础上,通过对于实验得到的收敛曲线的分析研究,提出了一种基于分段函数的正则化参数动态更新选取方法,以达到重建过程中减少参数选取的人为干预和加快迭代速度的目的。该方法通过比较重建过程中前后两次迭代更新的代价项和正则化项的变化,来选取不同的函数对正则化参数进行计算更新,保证了正则化参数选取的合理性,同时也加快了算法的收敛速度,能够获得好的重建结果。